宝藏资源分享：搜广推宇宙的知识宝库
🌌 在搜广推的浩瀚宇宙中，优质资源如同闪亮的星辰，指引着我们前进的方向。这里汇聚了经典论文、权威书籍、专家博客和优质课程，是你探索搜广推世界的知识宝库！
📚 经典书籍推荐
📖 好书如良师益友，在搜广推的学习路上为你指点迷津。这里精选了领域内的经典著作，从入门到进阶，助你构建扎实的理论基础！
🎯 推荐系统经典
深度学习推荐系统2.0
王喆 | 2025年4月1日
深度学习和大模型技术在推荐系统领域掀起了一场技术革命，本书从深度学习推荐模型、Embedding技术、大模型、AIGC、模型工程实现、业界前沿实践等几个方面介绍了这场技术革命中的主流技术要点。《深度学习推荐系统2.0（全彩）》既适合推荐系统、计算广告和搜索领域的从业者阅读，也适合人工智能相关专业的本科生、研究生、博士生阅读，帮助建立深度学习推荐系统的技术框架。通过学习前沿案例，读者可加强深度学习理论与推荐系统工程实践的融合能力。
推荐系统实践
项亮 | 2012年6月1日
随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载（information overload）的时代 。在这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战：对于信息消费者，从大量信息中找到自己感兴趣的信息是一件非常困难的事情；对于信息生产者，让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情。推荐系统就是解决这一矛盾的重要工具。推荐系统的任务就是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。
互联网大厂推荐算法实战
赵传霖 | 2024年1月1日
互联网大厂推荐算法实战》介绍了互联网大厂当前采用的一些前沿推荐算法，并梳理了这些算法背后的思想脉络与技术框架。《互联网大厂推荐算法实战》总计10章，内容涵盖了推荐系统的基础知识、推荐系统中的特征工程、推荐系统中的Embedding、推荐系统的各组成模块（包括召回、粗排、精排与重排）所使用的算法技术、推荐算法实践中经常会遇到的难题以及应对之道（其中涉及多任务推荐、多场景推荐、新用户冷启动、新物料冷启动、评估模型效果、定位并解决问题等），最后还用一章的篇幅介绍了推荐算法工程师在工作、学习、面试时应该采取的做法。《互联网大厂推荐算法实战》既适合推荐系统、计算广告、个性化搜索领域的从业人员阅读，也适合希望从事互联网算法工作的在校学生阅读。
动手学推荐系统
於方仁 | 2022年11月1日
本书从理论结合实践编程来学习推荐系统。由浅入深，先基础后进阶，先理论后实践，先主流后推导。第1章较为简单，仅初步带领大家了解什么是推荐系统及推荐系统的简史。第2章到第5章介绍的是主流的推荐算法及推荐算法的推导过程，这部分是本书的核心，每个算法都描述的非常详细且有具体代码帮助大家理解，深度学习的框架将采用PyTorch。第6章介绍的是商业及推荐系统的组成结构，第7章系统地介绍了推荐系统的评估指标及方式。第8章则介绍整个推荐工程的生命周期。第6~8章可随时抽取出来提前看。本书配套示例代码及微课视频，帮助读者快速入门推荐算法及系统。本书可作为高等院校、科研机构或从事推荐系统工作的工程师的参考书籍，也可作为高年级本科生和研究生的学习参考书籍。
广告算法经典
计算广告
刘鹏 / 王超 | 2022年8月1日
计算广告是一项新兴的研究课题，它涉及大规模搜索和文本分析、信息获取、统计模型、机器学习、分类、优化以及微观经济学等诸多领域的知识。本书从实践出发，系统地介绍计算广告的产品、问题、系统和算法，并且从工业界的视角对这一领域进行具体技术的深入剖析。本书立足于广告市场的根本问题，从计算广告各个阶段所遇到的市场挑战出发，以广告系统业务形态的需求和变化为主线，依次介绍合约广告系统、竞价广告系统、程序化交易市场等重要课题，并对计算广告涉及的关键技术和算法做深入的探讨，包括深度学习的基础方法论及其在计算广告中的应用，这一版加入了竞价广告的产品脉络、计算分工带来的产品方向的演进和智能投放的产品原理等内容。无论是互联网公司商业化部门的产品技术人员，还是对个性化系统、大数据变现或交易有兴趣的产品技术人员，传统企业互联网化进程的决策者，传统广告业务的从业者，互联网创业者，计算机相关专业研究生，都会从阅读本书中受益匪浅。
🎓 优质博客、在线课程、技术社区
🌟 在搜广推的学习路上，站在巨人的肩膀上才能看得更远。这里精选了业界顶尖的博客、课程和技术社区，助你快速成长！
🎓 知名专家博客
推荐系统领域专家
- 代表作品：《深度学习推荐系统》
- 专业领域：深度学习推荐系统、工业级推荐架构
- 推荐理由：理论与实践并重，工业界经验丰富
- 代表作品：《互联网大厂推荐算法实战》
- 专业特长：推荐算法理论、模型
- 推荐理由：算法扎实，讲解通俗易懂
📚 优质在线课程与教程
开源教程项目
- 适合人群：推荐系统初学者、算法工程师
- 内容特色：基础概念、经典算法、深度学习模型、工业实践
- 实践导向：提供完整代码实现和数据集
- 推荐理由：内容系统全面
开源算法库
- 算法丰富：包含协同过滤、深度、内容推荐等多类算法
- 生产就绪：从原型到生产的完整方案
- 基准测试：标准化的算法对比和评估
- 推荐理由：微软官方维护
- 技术栈：PyTorch深度学习框架
- 算法覆盖：CTR预估、召回、排序、多任务学习
- 模块化设计：易于扩展和使用
- 推荐理由：代码质量高，文档完善
- 算法丰富：涵盖70+推荐算法
- 评估全面：标准化评估流程和指标
- 研究导向：支持快速算法原型开发
- 推荐理由：学术界权威，算法实现规范
- 专业领域：CTR预估、点击率预测
- 架构清晰：模块化设计，易于理解扩展
- 算法全面：包含各推荐算法排序模型
- 推荐理由：工业界广泛使用，代码质量优秀
- 专业领域：召回算法、深度匹配
- 算法特色：双塔模型、序列推荐、图神经网络
- 算法全面：包含各推荐算法召回模型
- 推荐理由：召回算法的权威实现
- 工业级：支持大规模数据和分布式训练
- 易用性：配置化开发，降低工程门槛
- 算法丰富：涵盖召回、排序、多目标
- 推荐理由：阿里巴巴工业实践，生产环境验证
🏛️ 技术博客平台
- 内容特色：AI前沿资讯、技术解读、行业分析
- 搜广推内容：推荐算法、计算广告、搜索技术
- 推荐理由：紧跟技术前沿，内容质量高
🚀 国际知名技术博客
工业界技术博客
- 技术特色：大规模推荐系统、A/B测试、个性化算法
- 推荐理由：顶级公司的一手实践经验
- 应用场景：出行推荐、定价算法、需求预测
- 特色内容：AB测试平台、特征工程、模型部署
- 推荐理由：大规模实时系统的宝贵经验
- 业务特色：搜索排序、个性化推荐、用户匹配
- 技术亮点：搜索算法、Embedding技术、实验平台
- 推荐理由：搜索推荐技术的深度实践分享
📄 经典/前沿论文清单
📑 论文是技术创新的源泉，这里将汇聚搜广推领域的经典论文和前沿研究，按照不同类别进行分类整理。
| 模型简称 | 标签 | 机构 | 会议 | 年份 |
|---|---|---|---|---|
| DIN | 排序,序列建模 | 阿里巴巴 | KDD | 2018 |
| ESMM | 排序 | 阿里巴巴 | SIGIR | 2018 |
| Youtube-SBC | 召回 | 谷歌 | RecSys | 2019 |
| DSSM | 召回 | 微软 | CIKM | 2013 |
| MetaBalance | 其他 | www | 2022 | |
| Wide & Deep | 排序 | 谷歌 | DLRS | 2016 |
| DSSM-Facebook | 召回 | KDD | 2020 | |
| DeepFM | 排序 | 华为 | IJCAI | 2017 |
| SasRec | 召回 | UCSD | ICDM | 2018 |
| PLE | 排序 | 腾讯 | RecSys | 2020 |
| AITM | 排序 | 美团 | KDD | 2021 |
| Shared-Bottom | 排序 | CMU | ML | 1997 |
| DCN | 排序 | 谷歌,斯坦福 | AKDD | 2017 |
| Youtube-DNN | 召回 | 谷歌 | RecSys | 2016 |
| MMOE | 排序 | 谷歌 | KDD | 2018 |
| GRU4Rec | 召回,序列建模 | 腾讯 | KDD | 2022 |
| SASRec | 召回,序列建模 | UC | ICDM | 2018 |
| SINE | 召回 | 阿里巴巴 | WSDM | 2021 |
| (FAT-)DeepFFM | 排序 | 新浪 | arXiv | 2019 |
| STAMP | 召回,序列建模 | 电子科大 | KDD | 2018 |
| NARM | 召回,序列建模 | 京东,山东大学 | CIKM | 2017 |
| DCN_v2 | 排序 | 谷歌 | www | 2021 |
| EDCN | 排序 | 华为 | KDD | 2021 |
| FiBiNet | 排序 | 新浪 | RecSys | 2019 |
| DIEN | 排序,序列建模 | 阿里巴巴 | AAAI | 2019 |
| BST | 排序,序列建模 | 阿里巴巴 | arXiv | 2019 |